Etter hvert som foretakene forvandles digitalt, øker interessen for AI-teknologier som allerede er tatt i bruk i ulike bransjer. Man finner konkrete bruksområder eksempelvis innenfor medisinsk diagnostikk, selvkjørende kjøretøy eller forebyggende vedlikehold av maskiner. DARPA, som fra starten av har vært en vesentlig bidragsyter og driver, deler inn utviklingen av AI i tre bølger (Three Waves of AI). Konseptet illustrerer hvordan AI har utviklet seg – og i hvilken grad det kan utvikle seg videre.
I denne første utviklingsfasen av AI ble maler skrevet inn for hånd i datasystemer, og sammenhenger, såkalte hvis-så-vilkår, ble definert manuelt.
Det førte til de første ekspertsystemene og spesielt regelbaserte systemer – det vil si dataprogrammer, som ga handlingsanbefalinger på kunnskapsbasis og kunne bidra til å løse mer komplekse problemer.
Et eksempel på en første «regelbasert chatbot» er ELIZA (1966), som var den første programvaren som kunne føre en engelskspråklig samtale. Ekspertsystemer er imidlertid blitt brukt kommersielt siden 1980-tallet.
Den imponerende fremgangen og de raske første suksessene skapte en ren eufori og stor tillit til at vitenskapen skulle kunne frembringe AI. Forskeren Marvin Minsky, som var en av de ledende på den tiden, kunngjorde allerede i 1970 at det bare ville gå tre til åtte år før det fantes en maskin med en intelligens som tilsvarte menneskets. Sett i ettertid var dette en svært ambisiøs uttalelse.
Selv om begynnelsen var lovende, uteble et virkelig gjennombrudd i form av en komplett AI-løsning. På midten av 80-tallet trakk mange av bidragsyterne seg ut på grunn av den manglende kommersielle nytten av den tidens løsninger.
To av de største hindringene for vellykkede prosjekter var lagringskapasiteten og datakraften i den tidens datasystemer. AIs 1. bølge ble hovedsakelig en akademisk disiplin, og investeringene skjedde i hovedsak i vitenskapskretser. Men på denne tiden ble det teoretiske grunnlaget lagt. Men de økende problemene med å få tak i forsknings- og utviklingsmidler varslet begynnelsen på den første såkalte «AI-vinteren» som følge av manglende støtte fra DARPA.
Mens den vitenskapelige forskningen på kunstig intelligens knapt nok produserte nye publikasjoner og resultater, skjedde det enorme fremskritt på andre områder som hadde stor relevans for videreutviklingen. Mellom 1990 og 2010 ble datakraft og lagringskapasitet stadig bedre, og det betydde også et reelt løft for forskningen på og utviklingen av AI. Temaet ble vekket fra vinterdvalen og var igjen tilbake på agendaen.
Et synlig resultat fra denne tiden: Deep Blue (1996), IBMs sjakkrobot, som slo den daværende verdensmesteren i sjakk Garri Kasparov i ett enkelt parti. I et TV-show fjorten år senere slo IBMs AI-System Watson (2011) alle daværende menneskelige sjakkmestere. Watson demonstrerte at den kunne gjenkjenne bilder, forstå naturlig språk og trekke slutninger på grunnlag av informasjon.
Maskinlæring
Med utviklingen av stadig bedre lagrings- og datakraft ble det mulig å bruke adaptive statistikkmodeller på store datavolum, modellere strukturene i disse dataene og lage spådommer basert på dem. Resultatet ble maskinlæring, som i dag av hvert femte foretak. I løpet av de neste fire årene er det spådd en tidobling av verdiskapingsandelen til denne «kommersielle AI».
Dyp læring
I de senere år er dyp læring, forskningsdisiplinen for dype nevrale nettverk, blitt et populært begrep. I 2011 oppsto det en ny, omfattende interesse for teknologien, fra næringslivet til politikken. Siden da har forskningen og utviklingen skutt fart.
I motsetning til under den første AI-fasen har vi i dag kostnadseffektiv og enormt effektiv datakraft, først og fremst takket være Cloud Computing. Den stadig økende individualiseringen av Internett sørger for en kontinuerlig strøm av nye data. Med den omfattende evalueringen av disse dataene blir nå dyp læring fullt mulig: Maskiner lærer selvstendig og utvider sin kunnskap ved hjelp av egne tolkninger av dataene ut fra tyngdepunkt- eller klyngedannelse innenfor dataregistreringene.
Med den løpende videreutviklingen øker også behovet for forbedring: «Nevronale nettverk er fremdeles blackbox-tilnærminger man ikke forstår. Hvis man har 10 millioner nevroner der med forbindelser, kan man ikke i løpet av et menneskes liv finne ut hva som har ført til den og den beslutningen». Slik beskriver Data Scientist Ulf Schöneberg et avgjørende punkt ved henholdsvis statistisk læring og maskinlæring. (Denne animasjonen viser hvor komplekse slike systemer er.)
Tolkbarhet og transparens
Å kunne «avmystifisere», forstå og se for seg hvordan og hvorfor en algoritme gir resultater, er en av utfordringene fremover, og det vil gi et vesentlig løft til den tredje bølgen for kunstig intelligens.
I lys av de stadig flere sikkerhetsrelevante bruksområdene, som for eksempel selvkjørende kjøretøy, er den såkalte Whitebox AI av avgjørende betydning. Som en logisk konsekvens vil egenskapene forklarlighet, argumentasjon og abstraksjon komme i forgrunnen.
En av disse tilnærmingene, for bedre å forklare statistiske modeller, er LIME, Local Interpretable Model-Agnostic Explanations. Den brukes for eksempel innenfor medisin, der diagnoser kan stilles på bakgrunn av pasientopplysninger som alder, vekt eller livsstil, og sannsynligheten for sykdommer kan fastslås. LIME gjør det mulig å samle de vesentlige diagnosefaktorene og etablere et resultat basert på individuelle datapunkter. Det er et eksempel på en første helhetlig, kontekstuell forståelse av data og indikerer omfanget av den tredje kunstig intelligens-bølgen, som vil bli langt mer omfangsrik enn de foregående.
Reisen på den kunstige intelligensbølgen fortsetter. Det gjør utviklingen også. «Vi befinner oss midt i den andre bølgen». Slik beskriver Data Scientist Oliver Rieger dagens situasjon. «I likhet med den første bølgens landevinninger er den allerede en integrert del av AI-strategien til mange selskaper.»
Dette sier han om utsiktene: «Den tredje bølgen vil videreutvikle symbiosen mellom menneske og maskin og produsere systemer som kan reagere i dynamiske omgivelser, tilpasse seg sammenhenger og forstå omverdenen.» Stadig flere berøringspunkter mellom kunstig og menneskelig intelligens, for eksempel i hjelpesystemer eller selvkjørende kjøretøy krever også at systemet kan begrunne sine antakelser og motivasjoner sømløst.
Hva Basefarms AWS MSP-status betyr for kundene 
